新型“目标检测滑块验证码”技术解析：AI是如何识别两个包的位置的？

验证码技术这些年一直在进化。

从最早的字符验证码：

A7B8K

到后来的：

• 滑块验证码

• 点选验证码

• 语义验证码

再到近年来出现的一类新型验证方式：

拖动滑块出现完整的两个包后松开

最近在测试验证码识别平台时，遇到了这样一种验证码。

页面中同时出现：

• 手提包

• 鞋子

• 花朵

• 蘑菇

• 吸尘器

用户需要拖动滑块。

直到两个完整的手提包同时出现。

然后释放滑块完成验证。

这种验证码已经不再是传统OCR问题。

而是一个典型的计算机视觉任务。

一、验证码到底在验证什么？

很多人以为：

系统是在验证拖动动作。

实际上不是。

真正验证的是：

目标物体是否完整出现

也就是说：

系统希望用户找到：

两个完整的包

对应的位置。

拖动只是交互形式。

核心仍然是视觉识别。

二、机器如何识别“包”？

第一步通常是目标检测。

例如：

包
 鞋子
 花
 吸尘器
 蘑菇

模型需要判断：

每个区域属于什么类别。

目前最常见方案：

• YOLOv8

• YOLOv11

• RT-DETR

• Faster RCNN

模型输出：

[
  {
   "label":"bag",
   "score":0.98
  },
  {
   "label":"bag",
   "score":0.97
  }
 ]

系统成功找到两个包。

三、机器如何找到正确滑块位置？

这才是难点。

拖动过程中。

图片内容会不断变化。

算法通常需要：

方法一

逐帧检测

位置1
 检测
 ↓
 位置2
 检测
 ↓
 位置3
 检测

找到：

两个包同时完整出现的位置。

方法二

特征匹配

模型预先学习：

完整包

与

被遮挡包

之间的差异。

通过特征分数变化。

寻找最佳位置。

方法三

深度学习回归

直接训练模型：

输入：

当前验证码截图

输出：

滑块应移动距离

例如：

{
  "offset":214
 }

这是目前商业平台常见做法。

速度更快。

四、这种验证码为什么越来越流行？

因为它对传统OCR几乎无效。

字符验证码：

OCR即可解决。

而目标检测验证码需要：

目标识别
 +
 空间定位
 +
 滑块预测

整体复杂度提升很多。

对于普通自动化脚本来说门槛更高。

五、商业平台如何解决？

成熟验证码识别平台通常采用：

图像预处理

• 降噪

• 归一化

• 锐化

目标检测

识别：

• 包

• 鞋

• 花

• 蘑菇

等对象。

位置预测

计算：

最佳滑块坐标

API返回

例如：

{
  "x":214
 }

业务系统直接拖动即可。

六、实际体验

最近测试这类验证码时，体验了一下：

https://www.sushibie.com/

平台支持：

• OCR验证码

• 点选验证码

• 目标检测验证码

• 滑块验证码

• 坐标返回API

对于：

• 自动化测试

• RPA机器人

• AI Agent

• 企业自动化流程

接入比较方便。

开发者无需训练目标检测模型。

上传图片即可获得识别结果。

七、未来验证码的发展方向

验证码的发展路线其实非常明显：

字符识别
 ↓
 图片识别
 ↓
 语义理解
 ↓
 行为分析

未来验证码可能不再要求用户点击图片。

而是通过：

• 鼠标轨迹

• 页面停留时间

• 设备指纹

• AI风控模型

综合判断访问者身份。

但无论如何变化。

其核心问题始终只有一个：

如何区分真人与机器。

而这场攻防战，仍然在持续升级。